Biomarcadores EEG baseados em aprendizado de máquina para intervenções personalizadas (EEG-INSIGHT)

Este projeto tem como objetivo desenvolver um modelo de inteligência artificial para prever a resposta a um tratamento de neuromodulação (estimulação transcraniana por corrente contínua, ETCC) para dor neuropática (DN) após lesão medular (LM), com base em sinais eletroencefalográficos (EEG) e avaliações clínicas. O projeto consiste em duas etapas:

A Fase 1 envolve um ensaio aberto onde os participantes com LME e NP receberão tratamento de neuromodulação em nosso centro, com dados coletados antes e depois do tratamento.

Avaliação pré-tratamento:

• Avaliação clínica por meio de entrevistas e questionários validados direcionados a fatores associados à dor neuropática, depressão e outros componentes relevantes.
• Gravação de EEG usando um dispositivo de 64 canais (Brain Products GmbH, Alemanha). O EEG será gravado em sala à prova de som com os participantes em repouso, primeiro com os olhos abertos por 5 minutos e depois com os olhos fechados por mais 5 minutos. Os participantes serão solicitados a evitar álcool 12 horas antes e cafeína 3 horas antes da gravação.

Tratamento de Neuromodulação:

• O protocolo de tratamento envolve 10 sessões de estimulação não invasiva, cada uma com duração de 30 minutos.
• tDCS será administrado usando um estimulador DC alimentado por bateria (Sooma tDCS, Helsinque, Finlândia) com eletrodos circulares saturados com solução salina de 6 cm².
• O ânodo será colocado sobre C3 (sistema EEG 10/20) para estimular o córtex motor primário (M1) e o cátodo sobre a área supraorbital contralateral (FP2).
• Para dor assimétrica, a estimulação será aplicada no M1 contralateral ao hemicorpo mais dolorido. Para dor simétrica, o hemisfério dominante (C3) será estimulado.
• A corrente máxima fornecida será de 2 mA (densidade de corrente: 0,06 mA/cm²).
• As sessões serão realizadas uma vez por dia durante duas semanas (segunda a sexta), totalizando 10 sessões. Todos os parâmetros de estimulação seguem as diretrizes gerais de segurança para estimulação elétrica transcraniana.

Avaliação Pós-Tratamento:

• Realizado através de entrevistas e dos mesmos questionários validados utilizados na avaliação pré-tratamento.

Como parte da intervenção, os participantes serão submetidos à gravação de EEG para estudar a atividade bioelétrica do cérebro de forma não invasiva. Eletrodos de superfície ativos com gel de eletrodo serão usados ​​para melhorar a condutividade da pele. As gravações de EEG serão realizadas em repouso, com os participantes olhando para uma parede vazia em uma sala à prova de som, por 5 minutos com os olhos abertos e 5 minutos com os olhos fechados.

A fase 2 envolve o desenvolvimento de um modelo preditivo para classificar os pacientes com base na sua resposta ao tratamento de neuromodulação. O modelo usará métricas derivadas de registros de EEG pré-tratamento e avaliações clínicas realizadas antes e depois do tratamento, com o objetivo de prever quais pacientes responderão favoravelmente à ETCC.

O pré-processamento do EEG será realizado por meio da linguagem de programação Python, utilizando um pipeline de pré-processamento customizado baseado na biblioteca MNE-Python incluindo: eliminação seletiva de canal e segmento outlier, filtros de frequência, análise supervisionada de componentes independentes auto-rotulados para a eliminação de atividade muscular e ocular e detecção de eletrodos em ponte.

As gravações de EEG serão analisadas usando métricas derivadas da frequência, complexidade e conectividade do sinal EEG. Essas métricas foram selecionadas devido ao seu potencial demonstrado em publicações relacionadas, que destacam a capacidade desses recursos de capturar diferenças entre grupos, seja entre respondedores e não respondedores ao tratamento, ou entre indivíduos saudáveis ​​e aqueles que sofrem de DN, entre outros. Com base nessas características do EEG e em outras características derivadas de questionários de pacientes, será realizado um processo de seleção de características baseado na independência métrica e na relevância da literatura anterior, a fim de maximizar a generalização do modelo.

Um modelo de aprendizado de máquina (ML), sendo o principal modelo candidato uma máquina de vetores de suporte (SVM), será usado para classificar entre respondedores e não respondedores. O modelo será validado por meio de validação cruzada k-fold. Dados resultados satisfatórios, uma subamostragem de canais de EEG (aderindo às configurações típicas de 10:20) será usada para avaliar se um EEG com menos eletrodos pode produzir resultados preditivos semelhantes, reduzindo assim a necessidade de sistemas de EEG com alta contagem de eletrodos.